Saat ini, perkembangan teknologi sangat pesat terutama di bidang Artificial Intelligent, object detection adalah salah satunya. Object detection merupakan salah satu bidang yang diminati dalam perkembangan Deep Neural Network (DNN) pada computer vision. Banyak algoritma yang sudah kuat dan sangat mendukung dalam pengimplementasian computer vision, salah satunya algoritma You Only Look Once (YOLO). Dengan adanya perkembangan Artificial Intelligent pada bidang computer vision, pekerjaan manusia tentunya dapat terbantu dengan implementasi dari sistem object detection menggunakan Unmanned Aerial Vehicle (UAV) berjenis quadcopter. Quadcopter dipilih karena memiliki kemampuan untuk lepas landas dan terbang secara vertikal, sehingga tidak memerlukan area yang luas untuk penggunaannya. Walau demikian, masih banyak tantangan dalam pengimplementasian object detection pada quadcopter karena kemampuan komputasinya yang terbatas. Berdasarkan permasalah tersebut, penelitian ini, telah dirancang sistem object detection menggunakan algoritma YOLOv5 Nano yang akan disandingkan pada quadcopter dan dilakukan penambahan teknik regularisasi dropout. Teknik regularisasi dropout yang dilakukan adalah dropout sebesar 10%, 20%, dan 30%. Dengan dataset yang ada, akan dilakukan proses training data terlebih dahulu agar mendapatkan weight terbaik. Setelah hasil training didapatkan, dilakukan pengujian secara langsung dengan menghubungkan device dengan kamera yang terpasang pada quadcopter via wi-fi terhadap objek rambu. Hasil dari penelitian ini yaitu quadcopter dapat mengenali rambu yang diberikan menggunakan model objek detektor YOLOv5 Nano dan mengetahui nilai confidence score dari setiap jarak yang ditentukan pada saat pengujian. Dengan mengenali rambu yang diberikan, quadcopter seharusnya dapat membuat keputusan dengan sendirinya saat mengenali rambu dengan tepat dan bermanuver sesuai instruksi rambu yang dilihatnya. Dari penelitian ini, dididapatkan nilai mAP pada YOLOv5 Nano sebesar 0.994, dengan teknik regularisasi dropout 10% didapat mAp sebesar 0.993, teknik regularisasi dropout 20% didapat mAp sebesar 0.994, teknik regularisasi dropout 30% didapat mAp sebesar 0.994.